WhisperX Online
ES
DeutschEnglishEspañolFrançaisPortuguês (Brasil)Русский日本語한국어繁體中文

WhisperX · en línea · gratis · privado

WhisperX online: transcribe audio con marcas de tiempo por palabra

Suelta un archivo de audio o vídeo y obtén una transcripción con la marca de tiempo de cada palabra, los hablantes identificados y subtítulos SRT/VTT, sin Python, sin configurar una GPU y sin token de Hugging Face. Todo ocurre en tu navegador: tu archivo nunca se sube.

Funciona al 100 % en tu navegador con WebGPU o WebAssembly. El modelo se descarga una vez (de 40 MB a 800 MB) y queda en caché. Gratis: hasta 15 minutos, marcas de tiempo por palabra y todos los formatos.

  • Sin subir archivos
  • Marcas de tiempo por palabra
  • Hablantes
  • SRT · VTT · JSON

¿Qué es WhisperX?

WhisperX es un sistema de reconocimiento de voz de código abierto basado en Whisper de OpenAI que añade marcas de tiempo precisas por palabra y detección de hablantes. Lo desarrollaron Max Bain y su equipo en la Universidad de Oxford (paper en Interspeech 2023). Combina transcripción por lotes con faster-whisper, alineación de palabras con un modelo wav2vec2 y etiquetas de hablante con pyannote-audio. Para usarlo hace falta Python, idealmente una GPU NVIDIA y, para los hablantes, un token de Hugging Face. Esta página te da el resultado sin nada de eso.

Cómo funciona

  1. Suelta un archivo de audio (MP3, WAV, M4A) o vídeo (MP4, MOV, WEBM). El navegador extrae la pista de audio; no se sube nada.
  2. Elige modelo e idioma. tiny, base y small son gratis; large-v3-turbo es el más preciso.
  3. Transcribe. Con WebGPU suele ir más rápido que el tiempo real; sin WebGPU funciona en modo CPU, más lento.
  4. Revisa y exporta. Haz clic en una palabra para saltar a ese momento. Descarga TXT, SRT, VTT o JSON con el formato de salida de WhisperX.

Gratis y Pro

Gratis: Whisper tiny, base y small, archivos de hasta 15 minutos, marcas de tiempo por palabra y todos los formatos. Pro (Webtools Pro de Answer the Web): además large-v3-turbo, detección de hablantes y grabaciones largas. El procesamiento siempre es local.

Instalar WhisperX

Para ejecutar el WhisperX original en tu equipo (el CLI está en inglés):

pip install whisperx
whisperx audio.mp3 --model large-v3 --output_format srt
whisperx audio.mp3 --model large-v3 --diarize --hf_token YOUR_HF_TOKEN

github.com/m-bain/whisperX · WhisperX vs Whisper vs faster-whisper (EN)

Preguntas frecuentes

¿Qué hace WhisperX?
Transcribe la voz con Whisper y alinea cada palabra con el audio, de modo que cada palabra tiene un inicio y un final exactos. Opcionalmente identifica a los hablantes. Es ideal para subtítulos, entrevistas y pódcast.
¿Cuál es la diferencia entre Whisper y WhisperX?
Whisper genera el texto con marcas de tiempo aproximadas. WhisperX añade detección de actividad de voz, procesamiento por lotes más rápido, alineación precisa por palabra y etiquetas de hablante.
¿WhisperX es gratis?
Sí. WhisperX es de código abierto con licencia BSD-2-Clause y se puede usar gratis, también con fines comerciales. WhisperX Online es gratis para archivos de hasta 15 minutos.
¿Se sube mi audio?
No. El archivo se lee y se transcribe dentro de tu navegador. Solo se descargan los archivos del modelo desde Hugging Face.
¿Es la web oficial de WhisperX?
No. WhisperX Online es una interfaz independiente de Answer the Web. El proyecto oficial es github.com/m-bain/whisperX.